論文の概要: Multimodal Brain Tumour Classification Using Feature Fusion
- arxiv url: http://arxiv.org/abs/2606.11107v2
- Date: Wed, 10 Jun 2026 10:48:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-11 14:23:44.408527
- Title: Multimodal Brain Tumour Classification Using Feature Fusion
- Title（参考訳）: 特徴融合を用いたマルチモーダル脳腫瘍分類
- Authors: Wajih ul Islam, Muhammad Yaqoob, Javed Ali Khan, Volker Steuber,
- Abstract要約: 臨床医は、患者の症状、医療史、MRIやCTスキャンなどのモダリティからの定量的な画像データを統一された臨床診断に合成することにより、脳腫瘍を診断する。
脳腫瘍をグリオーマ,髄膜腫,下垂体,腫瘍に分類するために,生MRIスキャンと91個の放射線学的特徴を組み合わせた2枝マルチモーダルネットワークを探索した。
すべてのマルチモーダル構成は、96.13%の精度でゲート融合により単調なベースラインを上回っている。
- 参考スコア（独自算出の注目度）: 0.9021888125320424
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clinicians diagnose brain tumors by synthesizing patient symptoms, medical history, and quantitative imaging data from modalities such as MRI and CT scans into a unified clinical judgement. However, most deep learning models rely on MRI/CT images alone, failing to replicate the clinicians multimodal reasoning. We explore a two-branch multimodal network combining raw MRI scans with 91 extracted radiomic features (intensity, texture, shape, and boundary descriptors) to classify brain tumors into glioma, meningioma, pituitary, and no-tumor. A pre-trained CNN backbone encodes the image stream, whereas a dedicated MLP encodes the radiomic stream. Both streams are fused via concatenation, gated, or bidirectional cross-modal attention strategies. Across nine experimental runs on a balanced 7,200 image dataset, all multimodal configurations outperform unimodal baselines with gated fusion achieving the best accuracy of 96.13%.
- Abstract（参考訳）: 臨床医は、患者の症状、医療史、MRIやCTスキャンなどのモダリティからの定量的な画像データを統一された臨床診断に合成することにより、脳腫瘍を診断する。
しかし、ほとんどのディープラーニングモデルはMRI/CT画像のみに依存しており、臨床医のマルチモーダル推論を再現できなかった。
脳腫瘍をグリオーマ,髄膜腫,下垂体腫,非腫瘍に分類するために,生MRIスキャンと91個の放射線学的特徴(強度,テクスチャ,形状,境界記述子)を組み合わせた2枝マルチモーダルネットワークを探索した。
トレーニング済みのCNNバックボーンは画像ストリームをエンコードし、専用のMLPは無線ストリームをエンコードする。
どちらのストリームも、結合、ゲート、双方向のモーダルアテンション戦略を通じて融合する。
9つの実験はバランスの取れた7,200の画像データセットで実行され、全てのマルチモーダル構成は、96.13%の精度でゲート融合によって単調なベースラインより優れている。
関連論文リスト
- brat: Aligned Multi-View Embeddings for Brain MRI Analysis [36.795218160666266]
bratは、臨床報告と組み合わせたMRIで訓練された脳磁気共鳴画像(MRI)のための多視点表現学習フレームワークである。
脳MRIは、多種多様で、しばしば微妙な異常が3Dボリューム内のいくつかのスライスに局在しているため、ユニークな課題を呈している。
論文 参考訳（メタデータ） (2025-12-21T10:37:31Z) - Multi-modal Vision Pre-training for Medical Image Analysis [11.569448567735435]
自己教師型学習は、実世界のアプリケーションに対するトレーニングデータ要求を抑えることにより、医療画像解析を大いに促進してきた。
我々は,3つの代用タスクによる新しいマルチモーダル画像事前学習を行い,相互モダリティ表現と相関の学習を容易にする。
Dice Scoreは6つのセグメンテーションベンチマークで0.28%-14.47%改善し、4つの画像分類タスクで0.65%-18.07%向上した。
論文 参考訳（メタデータ） (2024-10-14T15:12:16Z) - Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳（メタデータ） (2024-01-17T07:54:49Z) - CancerUniT: Towards a Single Unified Model for Effective Detection,
Segmentation, and Diagnosis of Eight Major Cancers Using a Large Collection
of CT Scans [45.83431075462771]
ヒトの読者や放射線医は、臨床実践において、全身多臓器多臓器の検出と診断を日常的に行う。
ほとんどの医療用AIシステムは、いくつかの疾患のリストの狭い単一の臓器に焦点を当てて構築されている。
CancerUniT は、マルチ腫瘍予測の出力を持つクエリベースの Mask Transformer モデルである。
論文 参考訳（メタデータ） (2023-01-28T20:09:34Z) - CKD-TransBTS: Clinical Knowledge-Driven Hybrid Transformer with
Modality-Correlated Cross-Attention for Brain Tumor Segmentation [37.39921484146194]
磁気共鳴画像(MRI)における脳腫瘍のセグメンテーションは、脳腫瘍の診断、癌管理、研究目的に不可欠である。
10年にわたるBraTSチャレンジの成功により、様々な技術的側面においてBTSの難しさに取り組むために、多くの優れたBTSモデルが提案されている。
CKD-TransBTSと呼ばれる臨床知識駆動型脳腫瘍分節モデルを提案する。
論文 参考訳（メタデータ） (2022-07-15T09:35:29Z) - mmFormer: Multimodal Medical Transformer for Incomplete Multimodal
Learning of Brain Tumor Segmentation [38.22852533584288]
3つの主要要素を持つ不完全なマルチモーダル学習のための新しい医療変換器(mmFormer)を提案する。
提案した mmFormer は, ほぼすべての不完全様相のサブセット上で, 不完全多モード脳腫瘍のセグメント化の最先端手法より優れている。
論文 参考訳（メタデータ） (2022-06-06T08:41:56Z) - Multi-modal Brain Tumor Segmentation via Missing Modality Synthesis and
Modality-level Attention Fusion [3.9562534927482704]
我々は、Modality-Level Attention Fusion Network (MAF-Net) というエンドツーエンドフレームワークを提案する。
提案するMAF-Netはより優れたT1ce合成性能と正確な脳腫瘍セグメンテーションをもたらす。
論文 参考訳（メタデータ） (2022-03-09T09:08:48Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳（メタデータ） (2022-01-07T07:46:01Z) - Latent Correlation Representation Learning for Brain Tumor Segmentation
with Missing MRI Modalities [2.867517731896504]
MR画像から正確な脳腫瘍を抽出することが臨床診断と治療計画の鍵となる。
臨床におけるいくつかのイメージングモダリティを見逃すのが一般的です。
本稿では,新しい脳腫瘍分割アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-04-13T14:21:09Z) - Soft Tissue Sarcoma Co-Segmentation in Combined MRI and PET/CT Data [2.2515303891664358]
マルチモーダル医用画像における腫瘍のセグメンテーションは, 深層学習の手法に傾きつつある。
本稿では,モダリティ固有のエンコーダとデコーダのブランチによるマルチモーダル特徴学習を実現する,同時分離手法を提案する。
MRI(T1およびT2配列)とPET/CTスキャンを併用した公衆軟部肉腫データに対するアプローチの有効性を示した。
論文 参考訳（メタデータ） (2020-08-28T09:15:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。